㈠ 卷积神经网络中数据能不能进行预处理后直接输入网络
预处理是什么处理，是降噪、白化或者PCA吗，类似这些处理后，可以直接输入网络
㈡ 怎样选择适合使用大量数据的“卷积神经网络”运算的笔记本
特征在空间上有关联有结构。比如说一幅图像，像素和像素排成阵列，是一个平面；比如说，一张张图像叠成一个向前延伸的长方体长条。
2. 特征与特征是同质的。比如图像，像素和像素只是位置上的不同，采样原理是一样的。比如说心电信号这样一个电压信号，是一个信号序列，是同一个采样机制在不同的时刻上采到的信号，这当然也符合特征同质和有空间结构的特点
㈢ 卷积神经网络可以处理基因数据吗
包括了CNN;C++SVM方面. DeepLearn Toolbox - Star:1000+
Matlab实现中最热的库存,Java。
2。
下面主要一些DeepLearning的GitHub项目吧;CDBN#47;SdA#47:2200+
实现了卷积神经网络，实现的模型有DBN#47，可以用来做分类，语言是Python;LR等，从算法与实现上都比较全:800+
实现了深度学习网络. rbm-mnist - Star，应该是应用最广的机器学习库了,Scala. Deep Learning(yusugomo) - Star，还实现了Rasmussen的共轭梯度Conjugate Gradient算法,DBN,C/CRBM/：Python。
3,CAE等主流模型，强化学习等200+
这个是hinton matlab代码的C++改写版. convnetjs - Star,SAE，首选的肯定是LIBSVM这个库;RBM#47，提供了5种语言的实现。
5;dA#47:500+
这是同名书的配套代码！
1。
4. Neural-Networks-And-Deep-Learning - Star
㈣ 卷积神经网络主要做什么用的
卷积网络的特点主要是卷积核参数共享，池化操作。
参数共享的话的话是因为像图片等结构化的数据在不同的区域可能会存在相同的特征，那么就可以把卷积核作为detector，每一层detect不同的特征，但是同层的核是在图片的不同地方找相同的特征。然后把底层的特征组合传给后层，再在后层对特征整合(一般深度网络是说不清楚后面的网络层得到了什么特征的)。
而池化主要是因为在某些任务中降采样并不会影响结果。所以可以大大减少参数量，另外，池化后在之前同样大小的区域就可以包含更多的信息了。
综上，所有有这种特征的数据都可以用卷积网络来处理。有卷积做视频的，有卷积做文本处理的(当然这两者由于是序列信号，天然更适合用lstm处理)
另外，卷积网络只是个工具，看你怎么使用它，有必要的话你可以随意组合池化和卷积的顺序，可以改变网络结构来达到自己所需目的的，不必太被既定框架束缚。
㈤ 卷积神经网络只适用于图像处理么
㈥ 卷积神经网络中pool什么情况用mean pool好，什么情况用max pool
pooling作为一个对特征的操作，应该看具体任务。有论文提到，低层的网络对抽象特征的响应更高，那么随着对特征的不断处理，高层的网络对细节特征有更好的响应。pooling作为对特征的处理操作，也应该考虑，pooling前的数据是什么数据，数据代表了什么意义，数据的相关性是怎么样的。假设区分由不同点集构成的“A”和"P"，这两个数据集中的相临数据间的位置相关性不大（从NN的角度看，当然从图形学提取特征就另说了），那么我觉得，你可以用一个平均值的pooling来作为一个特征提取的手段。而如果通过一个卷积核处理后的数据里面的某个信息是很有效的，譬如说其中可能出现很大的值，而这个值对结果影响很大，那么你可以用max的pooling
㈦ 深度卷积神经网络 能实现数据分类吗
当然可以，CNN最初就是用来识别手写的邮编数字，也就是识别一个手写阿拉伯数字是0~9中的哪一个，实际上就是一个十分类问题。
Demo参见：http://yann.lecun.com/exdb/lenet/
㈧ 什么样的数据适合用卷积神经网络处理
当然是图像了,具体点说就是一个数据点,跟它的上下左右数据有关联的话,就适合用卷积。